基于高光谱图像及elm的生菜叶片氮素水平定性分析-农业机械学报.pdfVIP

２０１４年 ７月 农 业 机 械 学 报 第 ４５卷 第 ７期 ｄｏｉ：１０．６０４１／ｊ．ｉｓｓｎ．１０００１２９８．２０１４．０７．０４２ 基于高光谱图像及ＥＬＭ的生菜叶片氮素水平定性分析 １ １ ２ １ ２ ２ 孙　俊 　卫爱国　毛罕平 　武小红 　张晓东 　高洪燕 （１．江苏大学电气信息工程学院，镇江 ２１２０１３；２．江苏大学江苏省现代农业装备与技术重点实验室，镇江 ２１２０１３） 摘要：基于高光谱图像技术与极限学习机 （Ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ，ＥＬＭ）模式识别方法构建一套生菜叶片氮素 水平鉴别模型。利用３种不同氮浓度的营养液无土栽培各氮素水平生菜，在莲座期采集每类氮素水平生菜叶片各 ８４片，利用高光谱图像采集系统采集生菜叶片高光谱图像，并在每个高光谱图像上选取叶片４个不同位置的６０× ６０像素的感兴趣区域（ＲＯＩ），求取感兴趣区域光谱数据平均值作为叶片样本的原始光谱，利用标准正态变量校正 对原始光谱进行预处理，采用主成分分析法对光谱进行降维。采用 ＥＬＭ对训练样本进行建模，并与传统的 ＢＰ及 ＳＶＭ算法模型进行对比。从实验结果可以看出，ＥＬＭ模型训练时间和分类正确率分别为０６２３０４ｓ和 １００％，在训 练时间相当的情况下，ＥＬＭ分类正确率高于ＳＶＭ模型，在分类正确率相当的情况下，ＥＬＭ模型的训练时间比ＢＰ模 型要短。研究结果表明，基于高光谱图像技术及 ＥＬＭ可以构建生菜叶片氮素水平分类模型。 关键词：生菜叶片　高光谱图像　极限学习机　氮素 中图分类号：ＴＰ７３ 文献标识码：Ａ 文章编号：１０００１２９８（２０１４）０７０２７２０６ 中需要不断调整网络的权值和阈值等缺点。极限学 　　引言 ［９］ 习机（Ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ，ＥＬＭ） 算法随机产 氮素是生菜必需的营养元素之一，若生菜缺氮 生输入层与隐含层间的连接值及隐含层神经元的阈 将导致光合作用能力差、产量与品质降低；若施氮肥 值，在训练过程中无需调整，只需设置隐含层神经元 过多，不但造成营养成分利用率下降，而且会造成环 的个数，便可获得唯一的最优解，与传统的训练方法 境污染，因此生菜生长过程中氮素丰缺鉴别对合理 相比，该方法具有学习速度快、泛化性能好等优点。 施肥具有重要指导意义。目前，国内外作物的缺素 本文分别利用 ＥＬＭ、ＢＰ、ＳＶＭ算法建立生菜氮素丰 诊断方法分为有损诊断和无损诊断两类。有损诊断 缺定性分析模型，试图寻找最优的建模方法。 ［１］ 主要是传统破坏性氮素化学分析 ，无损诊断技术 １　材料与方法 主要有数字图像处理技术和光谱信息技术。文 献［ ２－７］中，数字图像处理技术信息诊断波段来源 １１　样本准备 较少，光谱技术信息来自点信息，它们都存在信息来 １１１　样本培育 源单一、不够全面的缺点。另外，多数相关文献只是 研究样本培育品种为意大利全年耐抽苔抗热生 对作物缺素进行判断，并没有涉及元素过量的判断 菜，其全生育期５０ｄ，实验在江苏大学现代农业装备 研究。 与技术省部共建重点 Ｖｅｎｌｏ型温室中进行。为了获 高光谱图像包含面层次的光谱信息与丰富波段 取不同含氮水平的生菜叶片，本研究以珍珠岩为基 的图像信息，信息来源较全面，越来越多的学者将其